Académique Documents
Professionnel Documents
Culture Documents
Résumé
L’objectif de cette contribution est de présenter les potentialités de la classification orientée-objet d’une image SPOT 5
à 10 mètres de résolution spatiale pour la création d’une couche d’information décrivant l’occupation des sols en zone
côtière. Une typologie spécifique en trois niveaux scalaires est mise en place pour le traitement de l’image. La méthode
d’extraction de l’information est fondée sur deux étapes principales. L’image est tout d’abord segmentée en régions
(segmentation multi-résolution) afin d’obtenir des objets significatifs. Puis des données spectrales, spatiales et
contextuelles sur ces objets sont recueillies afin d’orienter la classification en utilisant des fonctions statistiques
d’appartenance. A l’issue du traitement, les résultats sont intégrés sous la forme d’une couche vectorielle dans une
base d’information géographique pilotée par un SIG. La qualité de la classification est estimée à l’aide de matrices de
confusion. Pour l’image entière, la performance globale de la classification est de 88,5 % au niveau le plus grossier, de
78,7 % au niveau intermédiaire et de 75,1 % au niveau le plus fin, avec des résultats hétérogènes selon les classes. Par
rapport à une approche par photo-interprétation, la méthode fournit dans des délais relativement courts des
informations cohérentes dont la généalogie et la qualité sont décrites. Sur la zone côtière étudiée (Pays de Brest), la
démarche procure un état actualisé de l’occupation des sols selon une typologie à trois niveaux, cohérente par rapport
aux inventaires de référence (Corine Land Cover et l’Inventaire Permanent du Littoral).
Mots-clés: classification orientée-objet, occupation des sols, SPOT 5, zone côtière.
Abstract
This paper deals with the use of an object-oriented classification approach for the identification of land cover types in a
coastal area from a 10 m SPOT 5 image. A three level land cover typology is designed. Significant image objects are
delineated using a multi-resolution segmentation algorithm. Decision rules using spectral, spatial and contextual
information are developed to classify these image objects. The results are exported as a shapefile in a GIS software,
and some attributes are modified to correspond to the three level typology. The classification accuracy is estimated with
confusion matrix using ground data and aerial orthoimages. The overall classification accuracy for the whole SPOT
image is 88,5 % at level 1, 78,7 % at level 2 and 75,1 % at level 3. Despite confusions for wetlands, some agricultural
lands and coniferous forests, the method shows high performance for coastal objects and for built-up surfaces.
Contrary to photo interpretation this method provides quite quickly quality-confirmed data created by transferable
decision rules. An updated three spatial levels land cover database on the studied coastal area is finally produced. This
database is coherent with other existing land cover data such as Corine Land Cover and Inventaire Permanent du
Littoral.
Keywords: object-oriented classification, land cover, coastal area, SPOT 5.
237
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
1. INTRODUCTION
Les estimations réalisées en 2006 par le CETE Méditerranée montraient que près de 10 % de la population française
(métropole) vivait de manière permanente dans les communes littorales dont l’emprise spatiale ne représente par
ailleurs que 4 % du territoire. Cette pression sur un espace naturellement restreint se traduit par de multiples enjeux
environnementaux, économiques et humains. Ils s’expriment notamment par des conflits d’usages et d’accès aux
ressources, difficilement gérables du fait d’une approche le plus souvent sectorielle des problèmes et d’une
juxtaposition de statuts et de compétences administratives et juridiques sur le littoral (Bersani et al., 2006).
Pourtant, en raison de sa richesse et de sa vulnérabilité, la zone côtière fait l’objet depuis les années 1970 d’une
attention croissante qui s’exprime globalement par le concept international de Gestion Intégrée de la Zone Côtière
(GIZC) (Cicin-Sain & Knecht, 1998). Sa mise en œuvre implique la mise en commun d’outils et de connaissances sur le
territoire concerné et ses caractéristiques, sur ses acteurs et ses enjeux. Dans ce contexte, l’analyse des changements
d’occupation des sols contribue à fournir des éléments pertinents pour l’établissement de diagnostics et l’élaboration de
prospectives environnementales. A titre d’exemple, on peut citer plusieurs initiatives engagées dans cette voie et à
différentes échelles: européenne avec le projet Eurosion mené à l’initiative de la direction générale de l’environnement
de la Commission européenne (http://www.eurosion.org/), nationale avec l’observatoire du littoral
(http://www.littoral.ifen.fr/) qui offrent l’accès aux données de CORINE Land Cover qui décrit l’évolution de
l’occupation du sol de 28 pays européens depuis 1990, et régionale avec le projet (en cours) d’actualisation de
l’Inventaire Permanent du LIttoral (IPLI) à l’échelle de la Bretagne par la Direction régionale de l’équipement suivant
l’exemple de la BDOCS produite par photo-interprétation en 2004 par la DRE Pays-de-Loire (http://www.pays-de-la-
loire.equipement.gouv.fr/).
Les limites des méthodes de photo-interprétation pour la production d’une donnée d’occupation des sols à grande
échelle et sur des territoires étendus sont bien connues: délais de traitement, hétérogénéité de l’interprétation, capacité
de mise à jour décennales qui les rend peu opérationnelles dans un contexte de suivi à court terme (Le Berre et al.,
2005). Pourtant, la production de l’IPLI, comme celle de CORINE Land Cover s’appuient sur de telles méthodes,
appliquées à des photographies aériennes (IPLI) ou bien à des images satellitaires (Spot et Landsat pour CORINE Land
Cover). Cela explique notamment que l’IPLI, à l’origine conçu comme un inventaire permanent n’ait pu tenir cet
engagement, ou seulement ponctuellement. Une seconde cartographie datant de 1982 a en effet été produite localement
et, plus récemment, certaines Directions régionales de l’Equipement se sont engagées dans son actualisation dans le
cadre des projets de BDOCS (Alsace, Pays-de-Loire, Bretagne…). Du côté de CORINE Land Cover, deux
cartographies sont désormais disponibles (1990 et 2000), mais leur échelle (1/100000) apparaît peu adaptée aux besoins
des gestionnaires et des collectivités sur le terrain.
Considérant, de plus, les limites liées à la photographie aérienne (variations radiométriques, missions décennales ou
quinquennales), de précédents travaux ayant pour objectif la cartographie de la zone côtière (trait de côte, occupation
des sols et de l’estran) (Le Berre et al., 2005) et plus spécifiquement l’inventaire de la végétation insulaire (Gourmelon
et al., 2005) se sont intéressés aux apports de l’imagerie SPOT5 haute résolution. En utilisant différentes
méthodes(photo-interprétation, traitement d’image et analyse spatiale), elles ont montré non seulement l’intérêt et les
limites de SPOT 5 par rapport à l’imagerie aérienne mais aussi les limites des méthodes de classification spectrale. Ce
constat converge avec celui dressé par de nombreux auteurs, relatif aux méthodes d’extraction de l’information des
images à haute et très haute résolution. En effet plus la résolution spatiale est fine, plus l’hétérogénéité des objets à
extraire croît, rendant les méthodes spectrales de moins en moins performantes (Blaschke & Strobl, 2001; Townshend
et al., 2000). Pour palier cette inadaptation des méthodes classiques aux images à haute résolution, des approches
«orientées-objets» se sont développées depuis une dizaine d’années en utilisant une gamme de critères plus large
(spectraux, spatiaux, contextuels…). Appliquées à différents types d’image, elles fournissent a priori de meilleurs
résultats que les méthodes uniquement basées sur les valeurs spectrales (Harken & Sugumaran, 2005; Kamagata et al.,
2005; Rego & Koch, 2003; Willhauck, 2000).
Néanmoins l’approche orientée-objet implique une connaissance experte de l’information à extraire, ce qui explique
probablement son utilisation «sectorielle». En effet la plupart des recherches qui l’utilisent concerne des types d’objets
précis tels que l’urbain ou la végétation (Chubey et al., 2006; Flanders et al., 2003; Hájek, 2005). Elle est également
utilisée pour mettre en évidence des changements spatiaux (Desclée et al., 2006; McDermid et al., 2003) tels que la
croissance urbaine (Aguejdad et al., 2006; Puissant & Weber, 2004). Les études visant à produire une information
exhaustive concernant l’occupation des sols sont peu nombreuses (Corbane et al., 2004, Lewinski, 2005; Lucas et al.,
2003, van der Sande et al., 2003), et à notre connaissance aucune d’entre elles ne concerne un territoire aussi complexe
que la zone côtière.
Dans ce contexte, notre recherche a pour objectif d’établir un bilan des dynamiques d’occupation des sols sur une
période significative d’environ 30 ans, à l’échelle d’un territoire littoral en utilisant des données géospatiales de sources
et de natures diverses. Cette contribution présente, une analyse critique des résultats acquis par une méthode de
classification orientée-objet employée pour extraire d’une image SPOT 5 l’occupation des sols en zone côtière.
238
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Figure 1: Localisation du Pays de Brest et image HRG-XS de SPOT 5 à 10 m de résolution utilisée pour l’étude (Spot Image).
Figure 1: Location of the Pays de Brest and HRG-XS SPOT 5 scene study area.
2.3. Orthoimages
Deux jeux d’orthophotographies, acquises le 8 septembre 2004 en couleur naturelle et en proche infrarouge couleur,
sont mis à notre disposition par la communauté urbaine brestoise (Brest Métropole Océane –BMO). Les images en
couleurs naturelles sont en libre consultation et téléchargement à l’adresse suivante: http://www.brest-metropole-
oceane.fr/vueduciel/carroyage-orthophoto.html. Comptant chacun 400 dalles, ces jeux d’orthophotographies sont
disponibles à 20 cm de résolution spatiale et en projection Lambert 1 uniquement sur le territoire de BMO. Ces données
servent à la saisie de 150 points de contrôle environ destinés à la validation de la classification.
239
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
traitement de l’image Les points sont définis par un échantillonnage au hasard, établi à partir d’une grille régulière de
points espacés de 2 km couvrant l’ensemble de l’image et complété par un échantillonnage stratifié pour les classes
sous-estimées lors de l’échantillonnage au hasard (Girard & Girard, 2004). Les coordonnées géographiques de chaque
point permettent de les localiser sur le terrain avec une marge d’erreur comprise entre 5 et 8m grâce à un GPS de type
eTrex-Garmin.
3. DEMARCHE METHODOLOGIQUE
240
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
241
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Figure 3: Définition des classes «parents» et «enfants» en fonction de la hiérarchie et des groupes (modifié de Benz et al., 2004).
Figure 3:«Parent» and «child» classes definitions depending on inheritance and groups.
3.2.1. Typologie
La première étape de la démarche consiste à élaborer une typologie de l’occupation des sols au 1/25 000ème, échelle
adaptée à la description de l’occupation des sols sur un secteur de la taille du Pays de Brest. Cette typologie sert de
cadre à la classification de l’image SPOT 5. Elle tient compte des typologies en usage: Corine Land Cover (CLC) 2000
et le volet «occupation et usage des sols» de l'Inventaire Permanent du LIttoral (IPLI). Produite dans le cadre du
programme européen CORINE, Corine Land Cover est une base de données cartographique servant de référence pour
l’ensemble de l’Europe. Elle décrit l’occupation et l’utilisation des sols pour 29 états européens à deux dates: 1990 et
2000 Elle est fondée sur une typologie à trois niveaux autorisant une description du territoire à plusieurs échelles en
fonction des besoins. Le niveau le plus fin décrit le territoire au 1/100 000 en 44 classes, dont 7 concernent plus
spécifiquement la zone côtière. Le niveau intermédiaire utilisable au 1/500 000 et 1/1 000000 comprend 15 classes, et
le niveau le plus grossier est constitué de 5 classes décrivant les grandes catégories d’occupation des sols repérables à
l’échelle de la planète (IFEN, http://www.ifen.fr/donIndic/Donnees/corine/presentation.htm). L’IPLI, base de données
plus ancienne mise en place en 1977, décrit spécifiquement la zone côtière de la France métropolitaine au 1/100 000 et
1/25 000 sur une distance moyenne de 5 à 10 kilomètres à l’intérieur des terres et de 5 kilomètres en mer par rapport au
trait de côte. La donnée avait vocation à être réactualisée tous les cinq ans, mais le projet s’est limité à la production de
deux couches d’information: un état initial en 1977 et une actualisation partielle des données en 1982 (Géolittoral,
http://www.geolittoral.equipement.gouv.fr/article.php3?id_article=9). Sur les 43 classes que comptent l’IPLI, 29 d’entre
elles décrivent plus spécifiquement l’occupation des sols.
242
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
243
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
De manière à tester l’approche à trois niveaux scalaires, la nomenclature hiérarchisée de Corine Land Cover est
conservée. Le niveau 1 au 1/500 000 décrit sommairement l’occupation des sols en 5 classes. Le niveau 2 au 1/100 000
en 14 classes correspond du point de vue scalaire au niveau 3 de Corine Land Cover. Le niveau 3 au 1/25 000 en 22
classes correspond au niveau de description de l'IPLI. De manière à permettre des comparaisons ultérieures, les
correspondances entre cette nouvelle typologie et les données existantes (Corine Land Cover et IPLI) sont conservées.
La typologie définitive est élaborée à la suite de tests de classification réalisés sur des extraits de l’image SPOT 5. Ont
été retenues des classes pertinentes pour l’étude des changements d’occupation des sols en zone côtière et ne nécessitant
pas un temps de traitement trop important. Au niveau le plus fin de la typologie, huit classes décrivent les zones
artificialisées, deux classes les terres agricoles, six classes les forêts et milieux naturels et semi-naturels, quatre classes
la bande littorale et deux classes les surfaces en eau (tableau 1).
Le choix d’établir une typologie originale plutôt que d’utiliser les typologies CLC ou IPLI résulte du constat suivant.
Certaines classes de l’IPLI souffrent d’une définition trop floue, ou sont trop directement liées à une démarche de
photo-interprétation. C’est le cas par exemple de la classe «tissu mixte» qui correspond à un «mélange hétérogène de
différents types d’habitats, d’industries et de commerces», ou encore de la classe «espaces en mutation» décrite
comme des «espaces dont l’aspect dégradé laisse présager d’un changement d’affectation (terrain vague, friches
industrielles, carrières ou décharges abandonnées)». Les espaces urbanisés sont très détaillés, avec des distinctions
difficiles à effectuer par traitement d’image sans l’apport de données complémentaires. C’est par exemple le cas de la
classe «habitat touristique spécifique». Quant à la typologie CLC, elle est peu adaptée au traitement de l’image du fait
que certaines classes sont trop agrégées tandis que d’autres sont trop détaillées. Ainsi les classes CLC décrivant les
densités d’habitats sont limitées au «tissu urbain continu» et au «tissu urbain discontinu», ce qui est insuffisant à
l’échelle du territoire étudié. A l’inverse, les classes correspondant à la végétation et aux structures agricoles de CLC
sont trop détaillées pour les besoins de l’étude qui n’a pas vocation à traiter de la végétation en particulier, mais à
décrire l’occupation des sols à l’échelle d’un territoire.
244
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Segmentation
Considérant les nombreux avantages de la segmentation multi-résolution sur les autres méthodes (Blaschke & Strobl,
2001, Schiewe et al., 2001), seul cet algorithme est employé au cours du traitement de l’image SPOT 5. Les différents
paramètres de segmentation utilisés sont formalisés de manière empirique à l’issue d’une longue phase de tests sur des
extraits d’image et de comparaisons des résultats obtenus.
En ce qui concerne la construction du réseau hiérarchique de classes, Puissant & Weber (2004) ont démontré les
avantages d’une approche déductive par rapport à une approche linéaire. L’approche linéaire est définie par une
combinaison linéaire de règles spécifiques, chaque ensemble de règles permettant d’identifier un type d’objet.
L’approche déductive consiste quant à elle à effectuer une succession de masques en classant d’abord des objets
aisément identifiables comme l’eau, et en créant ensuite une seconde classe «non eau» composée de tous les objets ne
correspondant pas aux règles de connaissance de la classe «eau». Les objets classés ensuite sont alors définis comme
des «enfants» de la classe «non eau», et héritent ainsi de ses caractéristiques physiques. L’ensemble du réseau
hiérarchique de classes est donc construit sur une succession d’exclusions, qui a pour effet d’augmenter la
discrimination entre les objets et les performances de la classification. Les règles de connaissance implémentées au sein
de chaque classe sont uniquement basées sur des fonctions statistiques d’appartenance. La méthode des plus proches
voisins fondée sur la saisie d’objets d’entraînement est volontairement écartée dans le cadre de cette étude afin de
permettre une reproductibilité optimale de la méthode (Chubey et al., 2006; Puissant et al., 2006). Le tableau 2 recense
l’ensemble des fonctions d’appartenance utilisé pour la classification de l’image.
Classification de l’image
Au vu d’une part de l’hétérogénéité et de la taille de l’image et, d’autre part, de la complexité des objets à extraire,
l’image SPOT 5 est soumise à trois classifications successives. La première classification «primaire» permet non
seulement d’identifier un maximum d’objets simples, mais aussi de préparer l’identification d’objets plus complexes.
La classification «secondaire» sert à identifier les objets non classés lors de la classification primaire, à l’exception des
objets urbains et des bâtiments dont le traitement fait l’objet d’une classification «tertiaire». Précisons que ces trois
classifications sont totalement indépendantes des trois niveaux hiérarchiques de la typologie.
245
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
(tableau 3). Le poids attribué aux trois bandes de l’image SPOT 5 varie en fonction de leur intérêt pour l’identification
des objets. Un nouveau réseau hiérarchique est proposé pour classer le maximum d’objets «ruraux». Ces derniers sont
ensuite exportés au format vectoriel (export 2).
246
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Tableau 3: Critères de segmentation pour les classifications primaire, secondaire et tertiaire.
Tableau 3: First, second and third classification segmentation criterions.
247
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
renseignés en fonction de la typologie. Les trois niveaux scalaires apparaissent donc dans la structure attributaire de la
couverture finale. Il résulte de ces traitements une couverture unique «ocsol 03» composée de 74326 polygones ayant
une taille minimale de 100m_ et renseignée par 6 attributs: un identifiant, la taille et le périmètre de chaque polygone,
et les codes correspondant aux trois niveaux de la typologie.
4. RÉSULTATS
Il résulte de l’ensemble de ces traitements une couche d’information décrivant l’occupation des sols du Pays de Brest en
2003 aux trois niveaux de précision typologique. La qualité de l’information produite est évaluée pour chacun de ces
niveaux.
4.1. Niveau 1
La carte de l’occupation des sols du Pays de Brest au niveau 1 est présentée figure 6.
La performance globale de la classification au niveau 1 est de 88,6 %, avec un indice de Kappa de 85 %. Les résultats
selon les types de milieux sont relativement homogènes, puisqu’ils dépassent les 70 % de précision pour le producteur,
avec cependant de meilleurs résultats pour les zones artificialisées, la bande littorale et les surfaces en eau. Les résultats
obtenus pour les terres agricoles sont plus faibles, avec seulement 72,2 % de polygones bien classés.
248
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Figure 6: Carte de l’occupation des sols du Pays de Brest et matrice de confusion de la classification de l’image SPOT 5 au niveau1.
Figure 6: Pays de Brest land cover map and confusion matrix at level 1.
249
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
4.2. Niveau 2
Un extrait de la carte de l’occupation des sols du Pays de Brest au niveau 2 est présenté figure 7.
La performance globale de la classification au niveau 2 est de 78,8 % avec un indice de Kappa de 76,4 %.
Contrairement au niveau 1, on observe des disparités dans les résultats obtenus. Certaines classes obtiennent de mauvais
résultats tels que les «infrastructures et grands équipements» (44 % de polygones bien classés) qui se confondent avec
les classes «habitat», «zone industrielle / commerciale» et «terre cultivée, prairie», ou encore les «zones humides»
(41,8 % de polygones bien classés) qui présentent des confusions avec les «terres agricoles», les «forêts et
plantations» et les «broussailles». Les «carrières, décharges, chantiers» sont également assez mal classés, avec une
performance globale de seulement 43,3 %, les confusions avec les classes «habitat», «zone industrielle /
commerciale» et «terre cultivée, prairie» étant nombreuses. Les «équipements sportifs et de loisirs» et les
«broussailles» ne comptent également qu’entre 50 et 60 % de polygones bien classés. Les «zones industrielles /
commerciales» (78 %) et les «terres cultivées, prairies» (72,2 %) sont également en dessous du seuil des 80 %. Les
résultats obtenus pour les objets littoraux sont excellents (entre 90 % et 94 %). l’ «habitat» obtient également de très
bons résultats (98,7 % de polygones bien classés).
4.3. Niveau 3
Un extrait de la carte de l’occupation des sols du Pays de Brest au niveau 3 est présenté figure 8.
La performance globale de la classification au niveau 3 est de 75,3 % avec un indice de Kappa de 74 %.
Les disparités en terme de qualité de la classification, observées au niveau 2, s’accentuent. Les «zones humides
intérieures» obtiennent les plus mauvais résultats (28 % de polygones bien classés), les confusions avec les «terres
cultivées et prairies» et les «broussailles» étant nombreuses. D’autres objets assez mal classés apparaissent: «cultures
hors-sol et sous serres», «prairies humides», «forêts de résineux». Ces trois classes présentent des confusions
importantes avec les classes «forêt de feuillus ou mixte» et «terres cultivées, prairies». Pour les objets des zones
artificialisées, les résultats sont inégaux, avec de très bonnes performances pour l’habitat (90 % pour le «tissu urbain
dense», 94 % pour le «tissu urbain discontinu», et 96 % pour le «tissu semi urbain»), mais des confusions dans
l’identification des autres objets («équipements sportifs», «équipements de loisirs», «carrières, décharges,
chantiers», «infrastructures / grands équipements»).
250
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Figure 7: Extrait de la carte de l’occupation des sols du Pays de Brest et matrice de confusion de la classification de l’image SPOT 5
au niveau 2.
Figure 7: Extract of Pays de Brest land cover map and confusion matrix at level 2.
251
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
Figure 8: Extrait de la carte de l’occupation des sols du Pays de Brest et matrice de confusion de la classification de l’image SPOT 5
au niveau 3.
Figure 8: Extract of Pays de Brest land cover map and confusion matrix at level 3.
252
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
5. DISCUSSION
On remarque classiquement une diminution de la qualité de la classification avec la précision typologique de
l’occupation des sols. Si les résultats obtenus pour le niveau 1 (88,6 %) sont au dessus du seuil recommandé de 85 % de
pixels bien classés pour une classification acceptable (Foody, 2002), ils passent en dessous de ce seuil aux niveaux 2
(78,8 %) et 3 (75,3 %). Ces résultats globaux masquent cependant des disparités importantes entre les classes. Les
classes «broussailles» et «cultures hors sols et sous serres» au niveau 3 sont relativement mal classées. Les mauvais
résultats de la classe «broussailles» sont probablement liés à la date d’acquisition de l’image (avril) qui ne correspond
pas aux conditions optimales pour la détection de la végétation (Girard & Blasco, 1996). De plus, plusieurs images
acquises à différentes saisons auraient sans doute permis de discriminer plus aisément broussailles et terres cultivées,
ainsi que cultures hors sol et terres cultivées au niveau 3. De même, l’utilisation de plusieurs images aurait
probablement permis d’améliorer les résultats de la classification pour les zones humides et les prairies humides
d’autant plus que la date d’acquisition de l’image employée (avril 2003) coïncidait avec une période de déficit
pluviométrique important qui s’est produit sur le Finistère entre janvier et mai. En outre Smith et al., (2003) ont montré
que l’hétérogénéité de la structure paysagère d’une image est susceptible d’avoir un impact défavorable sur la qualité de
la classification. Or l’espace considéré dans cette étude, et particulièrement le littoral, présentent une forte hétérogénéité
liée à la topographie (plateau entaillé de vallons) ainsi qu’à une tradition d’habitat dispersé accentuée par l’évolution
urbaine récente caractérisée par un mitage de l’espace agricole, qui est lui-même soumis à une certaine déprise dans les
secteurs les moins adaptés à l’agriculture mécanisée. A contrario, les bons résultats des classes de la bande littorale
justifient l’utilisation d’une couche thématique pour la discrimination de classes porteuses de confusions. En effet, des
tests préliminaires révélaient d’importantes confusions entre certaines classes, comme par exemple entre les estrans
sableux et certains territoires artificialisés. L’hétérogénéité paysagère de la zone littorale augmentait également les
risques de confusions. Le recours à la couche thématique «bande littorale» permet de traiter cet espace complexe
indépendamment du reste de l’image, et donc d’améliorer les performances de la classification. Enfin, les très bons
résultats des classes «tissu urbain dense», «tissu urbain discontinu» et «tissu semi-urbain» confirment l’intérêt de la
segmentation multi-résolution et le recours à des règles de classification basée sur une analyse multi-échelle des
densités de bâti.
Néanmoins si l’on compare les résultats obtenus avec des études ayant porté sur la production d’une information sur
l’occupation ou l’utilisation des sols, il apparaît que les performances globales des classifications sont sensiblement les
mêmes (tableau 4).
Pour sa classification en 19 classes de l’utilisation des sols de la région de Varsovie, Lewinsky (2005) obtient une
performance globale de 86,3 %, avec une utilisation combinée de l’approche «plus proches voisins» et fonctions
d’appartenance. Van der Sande et al. (2003) ont utilisé le même type de méthode mixte et parviennent à une
performance globale de 74 % pour une classification de l’occupation des sols en 17 classes. Corbane et al. (2004)
obtiennent une précision de 87,3% pour la classification en 14 classes d’une image ASTER. Enfin Lucas et al. (2007)
obtiennent un résultat global de 84,9 % pour une classification de la végétation et des cultures en11 classes,
classification entièrement fondée sur la formulation et l’implémentation de règles de connaissances. Dans tous les cas
les disparités entre les classes sont notables. Corbane et al. (2004) parviennent à une précision de 100% pour la classe
«tissu urbain continu», mais de 34,5% pour la classe «sol nu blanc». Il en va de même pour Lucas et al. (2007) avec
un résultat de 100% pour la classe «forêt de conifères», mais de 48% pour la classe «lande sèche».
Dans le cadre de classifications portant sur des objets spécifiques, ou sur un nombre de classes inférieur à 10, les
résultats sont généralement meilleurs. Willhauck, 2000, Kressler et al., 2003, Flanders et al., 2003, Chubey et al., 2006
obtiennent des performances globales très proches au supérieures à 90 %, mais avec un nombre réduit de classes (entre
4 et 8) (tableau 4).
Il est possible que les résultats de cette étude aient été améliorés en ayant recours aux objets d’entraînement et
l’approche «plus proches voisins». Cette méthode relativement intuitive aurait de plus probablement permis un gain de
temps non négligeable par rapport à la formalisation de règles de connaissance. En contrepartie la reproductibilité de la
méthode en aurait été réduite d’autant.
253
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
254
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
6. CONCLUSION
Dans notre étude, la finalité du traitement de l’image SPOT 5 était de disposer de données relativement récentes sur
l’occupation des sols du Pays de Brest, comparables avec des données antérieures de source et de nature différentes. La
comparaison des deux inventaires permettra de réaliser un diagnostic des changements d’occupation des sols intervenus
sur cet espace en 25 ans et servira de base à l’élaboration d’un modèle fonctionnel utilisable dans des scénarios
exploratoires.
A partir d’une image du satellite SPOT 5, l’occupation des sols a été extraite à trois niveaux de précision typologique en
utilisant une approche orientée-objet. Les résultats sont de qualité variable en fonction de la précision typologique et de
la nature des objets. En termes de qualité globale, ils sont acceptables si on les comparent à des résultats obtenus avec
des méthodes «classiques» ou à d’autres études ayant eu recours à la méthode orientée-objet..
Avec des performances le plus souvent supérieures, la démarche orientée-objet offre des avantages considérables sur les
classifications classiques pixel à pixel. L’analyse centrée sur l’objet limite pour des images à haute et très haute
résolution l’effet «poivre et sel» que l’on peut trouver avec une approche centrée sur le pixel. L’utilisateur est
également totalement maître des procédures de classification des objets grâce aux fonctions d’appartenance,
contrairement à une classification supervisée basée sur le pixel où le processus de classification est inféodé aux
parcelles d’entraînement, et uniquement à celles-ci. Mais la procédure est plus complexe dans la mesure où elle intègre
différents niveaux d’analyse hiérachisés. En résumé, la démarche orientée-objet est assez proche d’une démarche de
photo-interprétation: elle en a les avantages sans les inconvénients. Le traitement numérique de l’information
géographique garantit l’homogénéité des résultats sur l’ensemble de l’image. De plus, la démarche cognitive d’un
photo-interprète est transcrite par l’analyse multi-échelle. Néanmoins la méthode implique une connaissance experte
des objets et de nombreux tests nécessaires à la détermination des paramètres de segmentation optimaux (Schiewe et al.,
2001). Ces paramètres sont en outre variables d’une image à l’autre, et spécifiques aux résultats attendus. Les concepts
de segmentation multi-résolution et de réseau hiérarchique de classification peuvent être difficiles à traduire
concrètement, et malgré une phase de réflexion, l’implémentation peut ne pas forcément aboutir aux résultats
escomptés. Si l’on ne dispose pas de données préalables sur les objets, la collecte d’informations pour la formulation
des multiples fonctions statistiques d’appartenance et définition de règles de connaissance satisfaisantes peut également
se révéler très longue. Une investigation systématique des très nombreuses informations disponibles sur les objets,
ponctuée par de nombreux tests et ajustements, est en effet souvent nécessaire.
La «complexité» de la méthode à mettre en œuvre et de l’important volume de données de référence à collecter est
cependant largement compensé par l’homogénéité de traitement appliqué à l’échelle d’une image, ainsi que par sa
reproductibilité sur les territoires adjacents ou à d’autres dates à partir d’images du même type. Autant de possibilités
que n’offre pas la photo-interprétation comme en témoignent les difficultés de mise à jour des cartographies IPLI et
Corine Land Cover.
7. RÉFÉRENCES
Aguejdad, R., Hubert-Moy, L. and Clergeau, P. (2006) “Object oriented image analysis for mapping urban expansion in western
France”. P. 2317-2321 in Proceedings of the International Geoscience and Remote Sensing Symposium, Denver, 31 juillet –
4 août 2006, 4208 p.
Baatz, M. and Schäpe, A. (2000) Multiresolution segmentation : an optimization approach for high quality multi-scale image
segmentation. P. 12-23 in Strobl, J., Blaschke, T., Griesebner, G. (réd.) Proceedings of the Angewandte Geographische
Informationsverarbeitung XII Beiträge Zum AGIT-Symposium Salzburg 2000.
Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I. and Heynen, M. (2004) “Multi-resolution, object-oriented fuzzy analysis
of remote sensing data for GIS-ready information”. ISPRS Journal of photogrammetry and remote sensing, vol. 58, p. 239-
258.
Bersani, C., Simoni, M. L., Allain, Y. M., Ribière, G., Denègre, J., Planques, P., et Tugayé, Y. (2006) Rapport relatif au schéma
d'organisation des dispositifs de recueil de données et d'observation sur le littoral. Ministère de l'Intérieur, Ministère de
l'Equipement, Ministère de l'Ecologie, 120p. (http://www.ifen.fr/littoral/telecharger/004488-01.pdf)
Blaschke, T. and Strobl, J. (2001) What's wrong with pixels ? Some recent developments interfacing remote sensing and GIS.
GeoBIT/GIS, vol. 6, p. 12-17.
Cicin-Sain, B. and Knecht, R. (1998) “Integrated coastal and ocean management”. Island Press, 517 p.
Chubey, M. S., Franklin, S. E. and Wulder, M. A. (2006) “Object-based analysis of Ikonos-2 imagery for extraction of forest
inventory parameters”. Photogrammetric engineering and remote sensing, vol. 72, no. 4, p. 383-394.
Congalton, R.G. (1991) “A review of assessing the accuracy of classifications of remotely sensed data”. Remote Sensing of the
Environment, vol. 37, p. 35-46.
Corbane, C., Baghdadi, N., Hosford, S., Somma, J. et Chevrel, S. (2004) “Application d'une méthode de classification orientée-objet
pour la cartographie de l'occupation du sol : résultats sur ASTER et Landsat ETM”. Revue française de photogrammétrie et
de télédétection, vol. 175, no 2004-3, p. 13-26.
Desclée, B., Bogaert, P. and Defourny, P. (2006) “Forest change detection by statistical object-based method”. Remote Sensing of
Environment, vol. 102, p. 1-11.
255
Lénaig Sparfel, Françoise Gourmelon, Iwan Le Berre
256